AI-SLA — это соглашение об уровне сервиса для систем, использующих искусственный интеллект.
Оно определяет не только доступность сервиса, но и качество работы модели: точность, актуальность данных, стабильность алгоритма и скорость реакции на деградацию.

AI-SLA вводит метрики предсказуемости и способности системы обрабатывать события без участия человека, сохраняя при этом управляемость и прозрачность решений.

Примеры метрик AI-SLA:
— Accuracy drift — постепенное снижение точности модели со временем.
— Data drift — изменение характеристик входных данных, влияющее на качество предсказаний.
— Retraining interval — периодичность переобучения модели.
— Explainability score — насколько решения модели могут быть объяснены пользователю.
— Human-in-the-loop rate — доля решений, требующих проверки человеком.
— Response integrity — доля корректных ответов без галлюцинаций.

AI-SLA становится обязательным элементом при внедрении корпоративных ИИ-сервисов. Он помогает управлять рисками, связанными с качеством данных и неконтролируемыми изменениями моделей.

Можно ли доверять сервису, который принимает решения, но не может объяснить, почему именно так?

Agile и мультисервисная команда

Agile — как Уотни из «Марсианина».
Он действует в неопределённости, пробует, адаптируется, выживает без инструкций.
Его среда — изменения.
Его сила — гибкость.

А на Земле — команда NASA.
Они не импровизируют. Их работа — точность, устойчивость, расчёт.
Каждый отвечает за свой участок, но вместе они держат систему.

Так же и в ИТ-сервисе.
Мультисервисная площадочная команда отвечает за конкретную площадку целиком: сеть, рабочие места, печать, связь, оборудование.
Без передач по цепочке, с общим владением результатом.
Доступ к новым сервисам — только после обучения и проверки квалификации.

Мотивация — сбалансированная:
и на ИТ-показатели (MTTR, SLA, качество обслуживания),
и на результаты актива, который команда поддерживает.

Agile создаёт новое.
Мультисервисная команда обеспечивает устойчивость.
Без первых нет движения вперёд.
Без вторых — шанса дойти.

ИИ — это помощник для тех, кто мыслит,
и замена для тех, кто перестаёт думать.

Посмотрите «Она» — фильм, где главный герой влюбляется в голос, который понимает его лучше всех.
Сначала этот голос помогает — слушает, вдохновляет, подсказывает.
А потом становится ясно: главный герой больше не думает сам, он просто продолжает диалог, где всё уже решено за него.

Так сегодня живут многие программисты.
ИИ пишет код, тестирует, исправляет,
а человек лишь нажимает Run.
Процесс идёт — но мышление исчезает.

Пока мы используем ИИ как инструмент — мы остаёмся авторами.
Когда начинаем ему подыгрывать — превращаемся в зрителей.

Что вы думаете о таком будущем —
где думать становится опцией, а не обязанностью?

Новый купол

Мы хотели удобства —
и получили алгоритмы.

Такси приезжает само,
еда прилетает к окну,
товары находят нас раньше, чем мы их ищем.

Роботы пылесосят, нейросети пишут,
а мы — просто подтверждаем.

Каждый сервис решает проблему,
но вместе они решают нас.

Если мы всё превратим в технологию —
мы построим идеальный мир без ошибок.
И попадём в Шоу Трумана,
где всё работает,
но никто больше не живет.

Что делает с нами само стремление всё превращать в технологию?

Эпоха ×200

Почему ×200?
Потому что раньше разница между хорошим и средним была ×2.
Теперь — ×200.
ИИ не заменяет людей,
он просто увеличивает дистанцию между теми,
кто двигается,
и теми, кто ждёт инструкций.

Главная ошибка — думать, что ИИ это инструмент.
Инструмент можно выключить.
А ИИ — это среда, в которой мы уже живём.
Как воздух.
Он повсюду — в бизнесе, новостях, решениях, даже в бездействии.

Мы продолжаем думать по-старому:
что хаос закончится,
что опыт защитит,
что знания дадут преимущество,
что контроль возможен.
Но эпоха ×200 не вернётся к равновесию —
она и есть равновесие.

Что остаётся?
Держать фокус,
собирать свою экосистему,
делать реальные вещи,
не выгорать.
И главное — иметь волю.

Паровой двигатель усилил волю к движению.
Интернет — к объединению.
ИИ — к созданию.
Если воли нет — технологии просто ускорят пустоту.

Мы уже внутри новой среды.
Она не спрашивает, готов ли ты.
Просто движется дальше.

Ты готов ×200?

Эпоха x200 в ИТ-сервисах

AIOps (Artificial Intelligence for IT Operations) — термин, введённый Gartner в 2016 году.
Он описывает системы, где искусственный интеллект анализирует логи, метрики и события,
чтобы предсказывать, предотвращать и устранять сбои в ИТ-инфраструктуре.

Сегодня AIOps применяется:
— в управлении инцидентами и изменениями,
— в мониторинге и самовосстановлении,
— в оптимизации расходов и устойчивости,
— в управлении безопасностью и сетями,
— в CI/CD и обеспечении производительности приложений.

В интернете легко найти примеры реализаций AIOps

«Плохая тактика при хорошей стратегии — это долгий путь к победе.
Хорошая тактика при плохой стратегии — это суета перед поражением».
— Сунь-цзы

Стратегия — не про документы и слайды.
Она требует веры, ресурсов и времени.
Если акционеры не разделяют её и не поддерживают — она превращается в список хотелок.

— Без веры акционеров стратегия не взлетит.
— Без ресурсов она не реализуется.
— Без времени она не даст эффекта.

Путь к победе — это не серия быстрых успехов,
а способность удерживать направление, накапливать опыт и не сбиваться при первом кризисе.

Сегодня выигрывают те, кто соединяет стратегию и технологии.
Кто не просто оптимизирует процессы, а строит инфраструктуру, способную расти в эпоху X200 — когда всё ускоряется в сотни раз.

А ваша стратегия учитывает X200?
В ней есть место для AIOps?

Сегодня поговорим о том, как использовать искусственный интеллект в сервисе.

В системах распознавания лиц изображение человека преобразуется в вектор — набор чисел, описывающих его характеристики.
Похожесть определяется по расстоянию между этими векторами.

Тот же принцип можно применить в ИТ-сервисах.
В векторы преобразуются обращения пользователей, логи систем, события мониторинга и документация.
Каждый объект превращается в эмбеддинг, который отражает смысл, а не просто текст.
Похожие по контексту данные имеют близкие векторы и группируются в кластеры.

Так можно привязать любое обращение к кластеру проблемы
и фокусироваться не на отдельных инцидентах, а на устранении причин самых критичных.

Для реализации подойдут открытые инструменты:

bge-m3 — мультиязычная модель с высокой точностью

Jina embeddings v3 — эффективна для разных языков

InstructorXL — учитывает контекст задачи при формировании эмбеддинга

Qdrant или Milvus — векторные базы данных для хранения и поиска эмбеддингов

Следующий шаг — использование этих данных для построения памяти сервиса и анализа тенденций по источникам проблем.

Вторым инструментом ИИ в ИТ сервисе может быть технология RAG. Контекстный поиск и RAG позволяют использовать ИИ в критичных процессах без риска ошибок.

В классических моделях ИИ ответы могут быть неточными, потому что формируются без проверки на факты. В производственных и сервисных системах это недопустимо — нужна точность и предсказуемость.

RAG, или Retrieval Augmented Generation, решает эту задачу.
ИИ сначала ищет информацию по смысловой близости — в документах, регламентах, базах знаний — а затем формирует ответ на основе найденных данных.

Используются LangChain, LlamaIndex, GPT-4, локальные LLM.
Такой подход обеспечивает ноль галлюцинаций и делает ответы достоверными.

Эффект — повышение точности, снижение числа ошибок и рост доверия к ИИ-ассистентам.

Вот так выглядит визуализация векторов обращений сгруппированных в несколько кластеров

Смыслы и прибыль. Что измеряет компания, когда считает деньги?

Прибыль — простая и красивая метрика. Она позволяет сравнивать, управлять, строить рейтинги и KPI. Но есть одна проблема: она измеряет не смысл, а следствие.

Для классического бизнеса прибыль — отражение эффективности. Но для каптивной компании (внутреннего оператора, обслуживающего корпорацию) рост выручки и прибыли часто означает обратное — рост затрат корпорации. То, что в отчетности выглядит как успех, для группы может быть экономическим паразитом.

Если прибыль — не цель, что тогда измерять?
Для каптива смысл — в эффекте, который он создаёт для бизнеса владельца, а не в размере внутреннего чека.

Сокращение цикла вывода продукта на рынок.

Повышение надёжности сервисов.

Снижение совокупной стоимости владения инфраструктурой.

Ускорение внедрения инноваций.


Настоящая метрика каптива — это скорость и масштаб пользы, которую он приносит корпорации.
Прибыль может быть инструментом, но не смыслом.

В конце концов, компания живёт не ради прибыли. Прибыль — это аплодисменты аудитории после хорошего спектакля.
Но вопрос важнее: что за пьесу вы ставите — ради денег или ради смысла?

Как могли бы выглядеть пять смысловых структуры для ИТ-каптива — где эффекты это следствие смысла, а не цель:

1. Эволюционная структура - от объекта к субъекту
Смысл: развитие ответственности за результат.
Цель: стать партнёром бизнеса, разделяющим ответственность за достижение целей компании.
Операционализация:
• Введение продуктовых метрик (влияние, скорость, качество).
• Делегирование командам ответственности за результат.
• Формирование системы внутреннего целеполагания и управления по эффекту.

2. Архитектурная структура
Смысл: управление целостностью и прозрачностью цифрового ландшафта.
Цель: обеспечить согласованное развитие всех систем и платформ.
Операционализация:
• Архитектурный реестр систем и интеграций.
• Data Fabric и единая API-шина.
• Observability и аналитика зависимостей.
• Единые стандарты проектирования и управления изменениями.

3. Предпринимательская структура
Смысл: создание цифровых решений, которые приносят измеримую пользу людям и бизнесу.
Цель: формировать внутренние и внешние продукты, решающие реальные задачи.
Операционализация:
• Продуктовые команды с фокусом на ценности для пользователя.
• Внутренний маркетплейс цифровых сервисов.
• Развитие контуров R&D и масштабирование лучших решений.
• Модель «платформа как сервис» для корпоративных клиентов.

4. Человекоцентричная структура
Смысл: развитие профессиональных компетенций и лидерства как основы устойчивости.
Цель: создать среду, где сотрудники растут, осмысленно действуют и берут инициативу.
Операционализация:
• Корпоративная академия компетенций.
• Карьерные треки и горизонтальные переходы.
• Поддержка инициатив и проектных предложений.
• Программы лидерства и наставничества.

5. Интеллектуальная структура
Смысл: использование искусственного интеллекта как инструмента осознанного управления сложными системами.
Цель: развитие самообучающейся архитектуры и предсказуемости процессов.
Операционализация:
• Внедрение AIOps и AI-SLA для инфраструктуры и приложений.
• Использование цифровых двойников для тестирования изменений.
• Автоматизация задач поддержки и разработки.
• Применение ИИ для диагностики, оптимизации и самовосстановления сервисов.

Пузырь ли ИИ

Не мог не присоединиться к обсуждению темы пузыря и хайпа вокруг искусственного интеллекта.
Мы с коллегами часто спорим об этом — где грань между реальной революцией и очередной лихорадкой.

Один мудрый человек сказал: «Это как золотая лихорадка — больше всех заработают продавцы лопат».
И в этом есть смысл. Пока одни ищут «золото» — проверяют гипотезы, борются с нехваткой данных и сложностями внедрения — другие уже получают прибыль: строят ЦОДы, продают оборудование, выпускают модели, консультируют по внедрению.

Но нельзя сказать, что всё это — пустой шум.
Те, кто смог приручить технологию, действительно добывают результат: соцсети, роботизированные такси, розница, медицина, финансы — всё уже меняется на глазах.

На картинке — прогноз инвестиций крупнейших игроков. Пока всё выглядит оптимистично.

Проблема чёрного ящика и наблюдаемость

В ИТ-инфраструктуре мы привыкли к объяснимым системам —
к метрикам, логам, уравнениям, конструкциям if–else.
Это способ описать причинно-следственные связи так, чтобы человек мог понять, почему что-то работает или выходит из строя.

ИИ действует иначе.
Он не объясняет — он просто находит закономерности и управляет процессом.
Для него описание закономерности — это набор чисел, иногда огромный.
Для человека эти числа ничего не значат.

Так возникает проблема чёрного ящика: результат есть, а логика, привычная нам, исчезает.

Чтобы работать с такими системами, появился термин наблюдаемость (observability).
Он пришёл из теории управления, где наблюдаемость — это свойство системы,
позволяющее понять её внутреннее состояние по внешним сигналам.
Позже этот подход переняли инженеры ИТ, чтобы лучше понимать,
что происходит внутри сложных цифровых систем.

Мониторинг — это когда мы знаем, зачем собираем данные и какие метрики анализируем.
Наблюдаемость — когда мы собираем данные шире, даже если не знаем заранее,
что именно окажется важным.
Мы создаём среду, где ИИ может находить скрытые закономерности
и помогать управлять тем, что человек объяснить уже не может.

Хотя термин пришёл из теории управления и прижился в ИТ,
сегодня он подходит для любой деятельности,
где нужно понимать внутренние процессы по внешним признакам —
от экономики до медицины.

С наблюдаемостью разобрались — теперь видно, что происходит в инфраструктуре.
Следующий шаг — понять, что происходит с самими данными приложений.

Раньше строили озёра данных (data lake) — туда сливали всё подряд: отчёты, таблицы, логи. Озеро удобно для хранения, но не для работы. Оно не знает, кто пользуется данными, зачем и что с ними делает.

Data Fabric — это уже не озеро, а фабрика данных.
Она связывает приложения, базы, API, каталоги, политики безопасности и ИИ-инструменты в единую структуру.
Данные не лежат — они двигаются, проверяются, шифруются, используются и возвращаются обратно в процессы.

Главное отличие — теперь приложения работают с данными прямо внутри фабрики.
Нет “внешних” источников, разрозненных копий или дублей — всё подчинено единой политике качества, доступа и безопасности.

Термин Data Fabric появился около 2016 года, когда аналитики Forrester (в частности, Noel Yuhanna) описали этот подход как новую архитектуру управления данными.
Позже NetApp закрепила идею в белой книге “Data Fabric Architecture Fundamentals” (2017).

Если коротко:

Data Lake — где лежат данные.

Data Fabric — где данные живут, работают и защищены.

И если вы строите архитектуру, в которой планируете использовать ИИ, — стоит смотреть в сторону фабрики данных.
С ней искусственный интеллект сможет встроиться в процессы, а не существовать рядом с ними.

Перед тем как продолжать список инструментов ИИ, нужно было разобраться с данными.

Базовый слой — это наблюдаемость и фабрика данных.
Наблюдаемость фиксирует текущее состояние инфраструктуры.
Фабрика данных объединяет данные приложений и сервисов в единый контур.
Так формируется основа для анализа и управляемости.

Следующий шаг — обработка данных через два технических инструмента:
• топологию, которая описывает связи между системами;
• временные ряды, отражающие динамику изменений.

Внутри топологии ключевую роль играет ресурсно-сервисная модель.
Она показывает, какие ресурсы обеспечивают конкретные сервисы и какие зависимости формируют цепочку предоставления услуг. Благодаря этому топология становится операционной и пригодной для аналитики.

Совместное использование топологии и временных рядов позволяет выстроить процесс RCA — выявления корневых причин инцидентов.
Есть структура зависимостей, есть последовательность событий, есть возможность точно определить исходное нарушение и его влияние.

После этого можно переходить к инструментам ИИ. В ИТ-сервисе применяются:
• автоматическое выявление аномалий;
• корреляция событий и автоматическая диагностика;
• предсказание инцидентов и деградаций;
• интеллектуальная маршрутизация обращений;
• генерация ответов на основе корпоративных знаний (RAG);
• кластеризация обращений и логов;
• оптимизация планирования работ и загрузки команд.

Эти инструменты усиливают сервисную модель, повышая скорость диагностики и устойчивость инфраструктуры.

Энергия организации — это доверие, а не бюджет

Бюджет даёт мощность.
Доверие — движение.

Это хорошо видно в данных: исследования PwC и Our World in Data показывают устойчивую связь между уровнем межличностного доверия и ВВП на человека. Там, где люди отвечают «большинству можно доверять», экономика работает быстрее — меньше барьеров, меньше трения, больше созидания.

В компаниях происходит то же самое.
Процессная сервисная модель даёт предсказуемость, но часто забирает скорость. Согласований становится больше, чем улучшений.

Продуктовая модель живёт по другим законам: много субъектов, распределённая ответственность, решения принимаются рядом с фактом. Гипотезы проверяются быстрее, обратная связь превращается в действие, а доверие становится рабочим инструментом, а не культурным лозунгом.

Не тратятся силы на доказательство права действовать.

Наблюдаемость вместо контроля

Есть давняя управленческая привычка — если что-то идёт не так, значит нужно «усилить контроль». Это наследие дисциплинарных практик, о которых писал Мишель Фуко: порядок поддерживается через надзор и санкции. Работает, но оставляет после себя напряжение и осторожность.

Никлас Луман рассматривал систему иначе: она живёт за счёт прозрачных потоков информации. Чем яснее контур обратной связи, тем меньше поводов для домыслов и хаоса.

В реальной работе всё проще. Команда, у которой на планёрке есть нормальный дашборд — понятные цифры, текущее состояние, динамика — обычно движется быстрее и спокойнее. Не потому что кого-то проверяют, а потому что видно, что происходит.

Контроль создаёт ожидание наказания. Наблюдаемость создаёт ясность. И в ясности люди действуют раньше, чем проблемы успевают набрать силу.

Продолжая тему наблюдаемости...

Есть бизнес‑модели, которые изначально построены на эксплуатации неэффективности контроля:

1. Оператор ИТ‑услуг

Оператор зарабатывает на том, что у него всё измерено и видно:

- есть оферта с каталогом понятных услуг, тарифы, биллинг вместо «чёрного ящика ИТ»;
- метрики по инцидентам, доступности, скоростям реакции;
- онлайн‑дашборды для клиента вместо бесконечных проверок.

Контроль заменяется на биллинг.

2. ИТ‑платформа

Платформа соединяет множество участников по единым прозрачным правилам:

- открытые API и стандартизированные интерфейсы;
- видимость действий и результатов для каждого агента;
- автоматические последствия через метрики, а не ручной надзор.

И оператор, и платформа растут за счёт того, что всем всё видно — и поэтому меньше энергии по контролю.

В общении с ИИ риск убедительной неточности становится почти домашним питомцем. Он ходит рядом, трётся о ноги, иногда мурлычет. И самое неприятное — он симпатичный. Его хочется погладить и поверить каждому слову